Медико-технологические системы и их особенности

1. Медико-технологические системы и их особенности

2. Медико-технологические системы

- это системы, обеспечивающие обработку и
анализ информации, представленной в
электронной
форме,
для
поддержки
принятия решений и информационной
поддержки медицинских технологических
процессов.

3. Медико-технологические системы обеспечивают:

1. сбор, накопление, обработку информации о пациенте,
включая расчеты интегральных показателей,
2. поиск аналогов (прецедентов),
3. интерпретацию информации (генерацию заключений на
профессиональном языке пользователя),
4. поддержку
при
прогнозировании
диагностике
состояния
назначении лечения,
заболеваний
пациента,
помощь
и/или
при

4. Медико-технологические системы обеспечивают:

5. динамический контроль персональных характеристик
здоровья,
6. контроль
угрожающих
состояний
и
управление
состоянием пациента,
7. анализ
и
поддержка
управления
медицинскими
технологическими процессами,
8. представление информации в наглядном виде,
9. предоставление справочной информации.

5.

Медико- технологические системы
(МТС)
АС для обработки
медицинских сигналов
и изображений,
регистрируемых
у человека
АС для диагностики
и консультативной
помощи в принятии
решений
АС для управления
жизненно важными
функциями организма

6. План занятия

АС для обработки медицинских сигналов и изображений
Этапы работы АС обработки сигналов и изображений
Возможности современных АС обработки медицинских
сигналов и изображений
АС для диагностики и консультативной помощи в принятии
решений
Методы Вычислительной медицинской диагностики
Основные направления использования
Разновидности
Алгоритмы анализа информации, основанные на знаниях
Структурирование и формализация знаний
Информационная поддержка деятельности врача ОРИТ

7. Автоматизированные системы обработки сигналов и изображений

Функциональная диагностика
Лучевая диагностика
Лабораторная диагностика
Радиоизотопная диагностика

8. Этапы работы АС обработки сигналов и изображений

•Регистрация
•Обработка
•Представление результатов
•Анализ результатов

9. Этап регистрации

Снятие сигнала датчики, электроды,
пробы биологических
материалов

10. Этап регистрации

Усиление и очистка сигнала измерительные блоки

11. Этап регистрации

Преобразование сигнала Аналогово-цифровой
преобразователь

12. Этап регистрации

Оцифровка изображения
- двумерный набор пикселов
• Градации серого цвета
• Система RGB

13. Этап обработки

o Автоматическая
o Полуавтоматическая
o автоматизированная

14. Этап обработки

Многоплановая
задача:
• фильтрация шумов
• Геометрическая
коррекция
• Цветовая коррекция
• Сравнение с другими
изображениями
• Сегментация,
выделение контура

15. Представление результатов

Режим волновых форм
Режим динамических трендов
Режим таблиц

16.

17. Анализ результатов

18. Возможности современных АС обработки медицинских сигналов и изображений:

Настройка на исследование
Проведение исследования с визуализацией
Обработка сигналов и изображений с
эффективным представлением результатов
Анализ результатов и формирование
диагностических заключений
Получение твердых копий
Работа с базами данных

19. АС для диагностики и консультативной помощи в принятии решений

Методы вычислительной медицинской диагностики
дифференциальная
диагностика
выявление риска
заболевания при массовых
осмотрах
прогнозирование
процессов

20. По количеству априорной информации об объектах

без обучения (обучение на примерах);
с обучением (обучение с учителем);
с самообучением (обучение без учителя)

21. По количеству априорной информации об объектах

Основные характеристики Обучение на Обучение с Обучение
распознавания
примерах
учителем
учителя
Признаковое пространство
+
+
+
Перечень классов
+
+
-
+
-
-
Правила
классам
отнесения
к
без

22. Этап Принятия решения

Задачами этапа принятия решения
являются:
Распознавание - отнесение предъявляемых объектов к
определённым классам с помощью применения известных
правил классификации
Классификация (таксономия) - разбиение множества
объектов на непересекающиеся классы по их
формализованным описаниям

23. Этапы работы вычислительного алгоритма диагностики

Оценка эффективности алгоритма
распознавания
ошибка I рода – гипердиагностика – алгоритм
констатирует заболевание у здорового человека;
ошибка II рода – гиподиагностика – алгоритм не
распознает заболевание у больного пациента.

24. Оценка эффективности алгоритма распознавания

Чувствительность
Специфичность
Характеризует способность
решающего правила выявить
болезнь.
Характеризует способность
решающего правила выявить
отсутствие болезни.

25. использование вычислительных алгоритмов для интегральной оценки тяжести состояния

ИСПОЛЬЗОВАНИЕ ВЫЧИСЛИТЕЛЬНЫХ
АЛГОРИТМОВ ДЛЯ ИНТЕГРАЛЬНОЙ
ОЦЕНКИ ТЯЖЕСТИ СОСТОЯНИЯ
Шкалы оценки общей тяжести состояния:
•SAPS (Simplified acute physiology score) - упрощенная шкала оценки
физиологических расстройств.
•APACHE (Acute Physiology and Chronic Health Evaluations ) - шкала оценки
острых физиологических расстройств и хронических нарушений состояния.
Прогностические оценочные шкалы:
•MPM (Mortality prediction model) - система оценки вероятности летального
исхода.
•PRISM (Pediatric risk of mortality) - риск летального исхода у детей.
Ранговые шкалы оценки в различных областях:
•Apgar - шкала оценки тяжести интранатальной асфиксии.
•TRISS (Trauma injury severity score) - шкала оценки повреждения при травмах.
•PTS – Pediatric Trauma Score - шкала оценки тяжести травмы у детей
•GCS (Glasgo coma score ) - шкала комы Глазго.

26. шкала АПГАР

ШКАЛА АПГАР
0 баллов
1 балл
2 балла
Окраска кожного
покрова
Генерализованная
бледность или
генерализованный
цианоз
Розовая окраска тела и
синюшная окраска
конечностей
(акроцианоз)
Розовая окраска всего
тела и конечностей
Частота
сердечных
сокращений
Отсутствует
<100
>100
Рефлекторная
возбудимость
Не реагирует
Реакция слабо
выражена (гримаса,
движение)
Реакция в виде
движения, кашля,
чихания, громкого крика
Мышечный тонус
Отсутствует,
конечности свисают
Снижен, некоторое
сгибание конечностей
Выражены активные
движения
Отсутствует
Нерегулярное, крик
слабый
(гиповентиляция)
Нормальное, крик
громкий
Дыхание

27. система SAPS

СИСТЕМА SAPS
Показатель
Возраст
4
3
Баллы
2
1
0
1
2
3
4
< 45
46-55
56-65
66-75
> 75
40-54
< 40
ЧСС в 1 мин.
> 180
АД сист. (мм рт. ст.)
> 190
Температура тела (°С)
> 41
39-40,9
38,5-38,9
36,0-38,4
ЧДД
> 50
35-40
25-34
12-24
140-179
110-139
70-109
55-69
150-189
80-149
55-79
> 5,00
3,50-4,99
0,7-3,49
0,5-0,69 0,2-0,49
< 0,2
29-35,9
7,5-28,9
3,5-7,4
20-39,9 15,0-19,9
3,0-14,9
1,0-2,9
< 1,0
2,8-3,8
Мочевина крови (моль/л)
> 55,0
Лейкоцитоз (10³ /л)
> 40,0
Глюкоза крови (моль/л)
> 44,5
27,8-44,4
14,0-27,7
3,9-13,9
Калий плазмы (мэкв/л)
> 7,0
6,0-6,9
5,5-5,9
3,5-5,4
Натрий плазмы (мэкв/л)
> 180
161-179
151-155
130-150
30-39,9
20,0-29,9
Шкала Глазго
34,0- 32,0-33,9 30,0-31,9 < 30,0
35,9
10-11
6-9
<6
Да
ИВЛ или ПДКВ
Мочевыделение (л/24 час)
НСО3 плазмы (мэкв/л)
< 55
36-54,9
> 40,0
156-160
13-15
< 3,5
3,0-3,4
10,019,9
10-12
1,6-2,7
< 1,6
2,5-2,9
< 2,5
120-129 110-119
< 110
5,0-9,9
< 5,0
4-6
3
7-9

28. Определение индивидуального риска развития инсульта в ближайшие 10 лет

ОПРЕДЕЛЕНИЕ ИНДИВИДУАЛЬНОГО
РИСКА РАЗВИТИЯ ИНСУЛЬТА В
БЛИЖАЙШИЕ 10 ЛЕТ
• Разработка Научного центра неврологии
РАМН, http://www.neurology.ru
• Перечень учитываемых параметров:
• пол,
возраст,
величина АД сист.,
сведения о гипотензивной терапии,
о сопутствующих заболеваниях (сахарный диабет,
ИБС, перемежающая хромота, аритмия,
гипертрофия левого желудочка)
• о вредных привычках (курение)

29.

30.

31.

160

32. Основные недостатки вычислительных алгоритмов диагностики

информация, необходимая для построения статистических
моделей, часто отсутствует
базовые предположения о статистической независимости
симптомов и наличии непересекающихся множеств
симптомов при различных патологиях не приемлемы для
медицины
методом использования некоторых математических
операций,
который
нельзя
объяснить
врачу
с
использованием привычных для него конструкций

33. Алгоритмы анализа информации, основанные на знаниях

Знания – это результаты обобщения фактов
и
установления
определенных
закономерностей в какой либо предметной
области, которые позволяют ставить и
решать задачи в этой области.

34.

Классификация знаний
Априорные
экспертные
Накапливаемые
Наблюдаемые
декларативные (факты)
выводимые
Знания
В зависимости
от источника
В зависимости
от характера
использования при
решении задач в некоторой
предметной области
процедурные
метазнания

35.

Инженерия знаний - наука о методах и технологиях
получения, структурирования и формализации данных
и знаний
для эффективного
автоматизированных систем
управления
и
разработки
База знаний
– это совокупность знаний предметной области,
записанная на машинный носитель в форме, понятной
пользователю и эксперту; является ядром экспертной или
интеллектуальной системы
Экспертные
системы
программные
комплексы,
аккумулирующие знания специалистов в конкретных предметных
областях и имитирующие построенную на их основе логику для
решения определенной задачи
-

36. Экспертные системы

Назначение:
Пользователи:
Поддержка принятия решения при :
• диагностике;
• интерпретации данных;
• лечении;
• прогнозировании и мониторинге за состоянием больных.
специалист при недостатке времени;
врачи смежных специальностей;
врачи общей практики;
ординаторы, интерны.
эксперт – высококвалифицированный
специалист предметной области;
Разработчики:
когнитолог (инженер по знаниям) – субъект,
помогающий эксперту выявить и структурировать
знания;
программист

37. Основные фазы обработки знаний

Знания,
данные,
контент
Поле знаний
Ментальные
модели
Хаос полученных Структурирование
знаний
гетерогенная
информация
(Гаврилова Т.А.)
И-карты,
К-карты
База знаний
ФормалиМодели
зация
представления
знаний
Продукционные
модели, фреймы,
семантические сети

38. Инструменты инженерии знаний – Ментальные модели

Инструменты инженерии знаний –
Структурирование
Ментальные модели
Интеллект-карта –
Концептуальная карта –
это иерархическая диаграмма,
используемая для представления
знаний, идей, которые связаны с
центральным понятием и
организованы радиально вокруг него
Автор T. Buzan (2008)
граф, узлы которого
отображают понятия, а
направленные поименованные
дуги, соединяющие эти узлы, –
отношения (связи) разного типа
Автор George Novak
(начало 70-х прошлого столетия)

39.

Типы связей в концепт-картах
Родо-видовые абстрагирующие
АКО – A-kind-of, «подкласс-класс», «частьцелое»
Функциональные связи
глаголы «производит», «влияет» и др.
Атрибутивные связи
иметь свойство, иметь значение
Причинно-следственные
если – то
Количественные
больше, меньше, равно и др.);
Пространственные
далеко от, близко от, за, под, над и др.
Временные
раньше, позже, в течение и др.
Логические
и, или не и др
Лингвистические
синонимия, антонимия

40.

Правила построения и-карт
1. Главная тема в центре (шрифт!);
2. Понятия, уточняющие главную тему,
расходятся от центрального образа в виде
ветвей (их не более 4-5!);
3. Шрифт последовательно уменьшается;
4. Понятия одного уровня с одинаковым
размером шрифта;
5. Каждое новое понятие выражено им. сущ.
в имен. падеже;
6. Использовать цвета, рисунки;
7. Соблюдать баланс карты.
Правила построения к-карт
1.Определение главной темы и границы
карты;
2.Выделение концептов (не более 15-20);
3.Задание связей между концептами;
4.Упорядочение графа.

41. Концептуальные карты представляют собой семантические сети

«Цифровая рентгенограмма грудной клетки больного бронхитом в
прямой проекции с глубиной кодирования 16 бит».
Семантические сети используются для представления декларативной
информации

42. отображение результатов мышления в точных понятиях и утверждениях (от лат. forma – вид, образ)

Формализация
отображение результатов мышления в
точных понятиях и утверждениях (от
лат. forma – вид, образ)
Формализация
декларативной
информации:
конечное число понятий,
характеризующих объект
перечень возможных
значений для каждого из
выделенных понятий
Семантические сети
Формализация
процедурной
информации:
разработка формы и
структуры представления
алгоритмов принятия решений
Продукционные
модели, фреймы

43. Формализация декларативной информации:

1. Формализованные карты, вопросники, протоколы, бланки
Например: Признаки, описывающие состояние пациента
качественные – да/нет, беспокоит/не
беспокоит (кашель, одышка, боль, отеки и т.п.);
количественные – выражаются числом
(t тела, ЧД, ЧСС);
классификационные – выражаются словами,
аббревиатурой, цифрами (например, группы
крови: I (0), II (А), III (В), IV (АВ)).
Требования к формализованным картам:
Полнота
Однозначность
Правильная организация

44. Формализация декларативной информации:

2.
Структурированные базы диагностических заключений
Например: Формализация диагноза
клинический диагноз – способствует
комплексному лечению и вторичной
профилактике;
Основное заболевание
Осложнения основного заболевания
Сопутствующие болезни
патологоанатомический диагноз – выявлению
основной и непосредственной причин смерти у
больного, умершего от болезни;
судебно-медицинский диагноз – выявлению
криминальной причины смерти;
санитарно-эпидемический диагноз –
выявлению особенностей появления,
формирования и распространения
эпидемического очага.

45. Формализация декларативной информации:

3.
базы названий лабораторноинструментальных методов
обследований и консультаций
4.
базы названий лекарственных средств и
немедикаментозных методов лечения,
процедур и манипуляций
Легко реализуется любой
анализ и автоматическая
обработка данных.

46. Формализация процедурной информации:

Модели представления знаний:
Продукционные
Фреймовые
«ЕСЛИ условие, ТО действие»
Фрейм - структура данных для
представления
некоторого
концептуального объекта

47. Дальнейшее использование формализованных знаний

Экспертные системы (ЭС) – программные
комплексы, аккумулирующие знания специалистов в
конкретных предметных областях и имитирующие
построенную на их основе логику для решения
определенной задачи.

48. Экспертные системы (ЭС)

ЭС должна обеспечивать
высокий уровень решения
задач в своей предметной области
ЭС должна моделировать логику грамотного врача
ЭС должна объяснять получаемые решения с
использованием общепринятых в медицине конструкций
ЭС должны быть открыты для обновления медицинских
знаний

49. Типовая ЭС

Архитектура
Базовые функции
Приобретение
(извлечение) знаний
Представление
знаний
Управление
процессом поиска
решения
Объяснение
принятого решения

50.

СПАСИБО ЗА ВНИМАНИЕ